image enhancement nel dominio delle frequenzefstanco/lezioni_iem_2007_2008/lez 12 fourier.pdf ·...

Image Enhancement nel Dominio delle Frequenze

Interazione & Multimedia

Introduzione

Una funzione periodica può essere espressa come somma di seni e/o coseni di differenti frequenze e ampiezze (Serie di Fourier). Anche una funzione non periodica, (sotto certe condizioni) può essere espressa come integrale di seni e/o coseni, moltiplicati per opportune funzioni-peso (Trasformata di Fourier).

Jean Baptiste Joseph Fourier (Auxerre, 1768 –Paris, 1830)

Interazione & Multimedia Multimedia A.A. 2006/2007 – S. Battiato

Un primo esempio

Questa funzione è la somma delle 4 funzioni periodiche di cui sopra.

Introduzione

Sia la serie di Fourier che la Trasformata di Fourier condividono il fatto che una funzione possa essere “ricostruita” (recovered) con un semplice processo di inversione senza perdita di informazione. E’ cioè possibile lavorare nel cosiddetto dominio di Fourier e tornare nel dominio originale della funzione in maniera del tutto naturale.

Inizialmente l’analisi di Fourier trovò applicazione nel

campo della diffusione del calore dove permise la formulazione e la risoluzione di equazioni differenziali di alcuni fenomeni fisici in maniera del tutto originale.

Introduzione

Con l’avvento negli anni 60 della FFT (Fast Fourier Trasform) il settore dell’elaborazione digitale dei segnali (DSP – Digital Signal Processing) ha subito una vera e propria rivoluzione, ed oggi questi concetti trovano applicazione nei più svariati campi industriali, dalla medicina, alle telecomunicazioni, ecc..

Immagini e Segnali

Un’immagine può essere vista come una funzione discreta in due dimensioni i cui valori rappresentano il livello di grigio di un determinato pixel.

La funzione “immagine” può essere vista

come un segnale, cioè una funzione variabile in un dominio con una propria frequenza (costante o variabile).

T = 1/f

Dominio del tempo Dominio della frequenza

Ampiezza (A) espressa in decibel dB;

Periodo (T) espresso in secondi; Frequenza (f) numero di cicli

(onde) al secondo; si misura in Hertz Hz

Discrete Fourier Transform La relazione tra ∆u e ∆x è la seguente: Nel caso 2-D la coppia trasformata antitrasformata della sequenza bidimensionale f(x,y) assume la seguente forma:

u e v sono gli indici relativi agli assi frequenze discretizzati, mentre M e N sono le dimensioni (in pixel) dell'immagine. Il campionamento della f(x,y) ha luogo nei punti di una griglia bidimensionale, con passi ∆x e ∆y. Per la F(u,v) valgono considerazioni analoghe a quelle fatte nel caso monodimensionale.

∆=∆

1-N..., 0,1,v 1-M0,1,...,u per eyxfMN

=== ∑ ∑−

)(2),(1),(

∑ ∑−

+−=−==

)(21,...1,01,...,1,0),(),(

Ny Mx per evuFyxfπ

Formula di Eulero

Per ogni numero reale x si ha:

eix = cos x + i sen x

E quindi:

e-ix = cos x - i sen x

Trasformata di Fourier

Dato che la trasformata F ha valori complessi, può essere espressa in termini della sua parte reale e della sua parte immaginaria.

Spettro della Trasformata ),(),(),( 22 vuIvuRvuF +=

Angolo di Fase

),(),(tan),( 1

vuRvuIvuφ

Potenza Spettrale ),(),(),(),( 222 vuIvuRvuFvuP +==

Esempio 1-D

Tutti i valori della f(x) contribuiscono alla costruzione di ciascuno dei campioni della F(u). Analogamente, tutti i campioni della trasformata contribuiscono, durante la antitrasformata, a ciascuno dei valori della f(x). I campioni della F(u) sono in genere complessi, per cui ciascuno di essi ha un modulo e una fase.

Range dinamico

Quando si visualizza lo spettro di Fourier come immagine di intensità, esso manifesta in genere una dinamica molto più grande di quella riproducibile su un tipico display, per cui solo le parti più luminose dello spettro risultano visibili. Per esempio, lo spettro dell'immagine di Lena varia tra 0 (circa) e 6.47x106. Effettuando la normalizzazione necessaria per visualizzarlo con L=256 livelli di grigio, solo pochissime parti molto luminose sono visibili. A ciò si può ovviare, come è noto, mediante una compressione di tipo logaritmico, visualizzando, invece che lo spettro, una funzione del tipo:

D(u,v)=c log(1+ F(u,v)) c è una costante di scala, che va scelta opportunamente per far ricadere i valori trasformati nel range voluto, cioè in [0, L-1]

Range dinamico

Poiché 0 < |F(u,v)|< R = 6.47x106, si ha 0 < D(u,v)<clog(1+R). Dato che R>>1, come peraltro avviene normalmente per lo spettro di Fourier di una immagine, si può porre c log R=L-1, da cui c= (L-1)/log R= 255/log(6.47x106) = 16.26 Pertanto D(u,v) ha tutti i valori nell’intervallo [0, 255], e ciò consente la visualizzazione di molti più dettagli.

Esempi Un esempio di trasformata discreta nel caso 1-D: un impulso approssimato da un rettangolo di lato 10 e altezza 2, su una finestra complessiva di 256 valori di x:

Esempi

Un esempio di trasformata discreta nel caso 2-D: un impulso approssimato da un piccolo cerchio bianco su fondo nero, in un’immagine di circa 200 x 200 pixels. I differenti livelli di grigio nell’immagine di intensità dello spettro evidenziano le ampiezze decrescenti dei diversi lobi.

Esempio

La visualizzazione dello spettro riguarda in realtà non |F(u,v)| ma una sua versione compressa logaritmicamente. Altrimenti si vedrebbe solo un puntino al centro. L’ampiezza contiene l’informazione relativa al fatto che una certa struttura periodica è presente nell’immagine. La fase contiene l’informazione relativa al dove le strutture periodiche evidenziate nella DFT sono collocate. Quindi è molto più significativa di quello che possa sembrare nell’immagine.

Ampiezza vs fase

Ricostruzione da solo modulo

Ricostruzione da sola fase

Modulo in 3D

trasformata

Qualche esempio

Lo spettro in 3D

trasformata

Altro esempio

Lo spettro in 3D

trasformata

Esempio

Lo spettro in 3D

trasformata

Esempio

Lo spettro in 3D

Trasformate di Fourier: vantaggi

Che vantaggio si può ottenere dalla trasformata di Fourier?

Nello spazio delle frequenze è possibile: sopprimere frequenze indesiderate ridurre lo spazio occupato dai dati pur limitando la

degenerazione del segnale (JPEG, MPEG, DivX, MP3)

rigenerare segnali degradati

Discussioni

La trasformazione diretta può essere vista come un processo di analisi: il segnale f(x) viene scomposto nelle sue componenti elementari, che sono nella forma dei vettori di base. I coefficienti della trasformata specificano quanto di ogni componente di base è presente nel segnale. Nella trasformazione inversa, mediante un processo di sintesi, il segnale viene ricostruito, come somma pesata delle componenti di base: il peso di ogni vettore di base nella ricostruzione del segnale è rappresentato dal corrispondente coefficiente della trasformata. Il coefficiente della trasformata è una misura della correlazione tra il segnale ed il corrispondente vettore di base. La trasformazione non comporta perdita di informazione: essa fornisce solo una rappresentazione alternativa del segnale originale.

Trasformate

Oltre a quella di Fourier, diverse trasformate utilizzate nell’image processing, con largo impiego nel restauro e, soprattutto, nella compressione, appartengono alla classe delle trasformate unitarie. Fra queste ricordiamo:

La trasformata discreta di Walsh (DWT) La trasformata discreta di Hadamard (DHT) La trasformata discreta del Coseno (DCT) La trasformata discreta di Karhunen Loeve (KLT)

Alcune proprietà della DFT 2-D

Separabilità Traslazione Valor Medio

Separabilità

La trasformata di Fourier discreta può essere espressa in forma separabile. In particolare vale la seguente espressione:

∑−

0),(1),(

Dove: Il principale vantaggio delle proprietà di separabilità è che la F(u,v) può essere ottenuta applicando in due passi successivi la trasformata 1-D.

),(1),(N

Traslazione

Cioè si trasla l’origine della DFT in (u0,v0) o si trasla l’origine della f(x,y) in (x0,y0).

E’ possibile dimostrare che:

),(),( 00

)(2 00

vvuuFeyxf Nyv

−−⇔+π

),(),( Nvy

evuFyyxxf+−

⇔−−π

Traslazione

Si dimostra inoltre che uno shift nella f(x,y) non modifica la magnitudo della trasformata dato che: Queste proprietà vengono utilizzate per una migliore visualizzazione dello spettro. (In MATLAB ciò viene realizzato dalla funzione fftshift)

),(),()(2 00

vuFevuF Nvy

=+− π

Traslazione

Nel caso bidimensionale è utile prima di effettuare la trasformata applicare uno shift (traslazione) dell’origine nel punto (M/2, N/2) cioè nel centro del rettangolo delle frequenze. Dalle relazioni di cui sopra ciò si ottiene ponendo u0=M/2, v0=N/2 da cui:

ℑ[ f (x,y)(−1)(x+y)]=F (u−M/2, v−N/2)

In questo modo i dati vengono traslati in maniera tale che F(0,0) risulti il centro del rettangolo delle frequenze definito tra [0,M-1] e [0,N-1].

Traslazione

La trasformata di un piccolo rettangolo bianco su uno sfondo nero sarà dunque (dopo lo shift)

La trasformata non è sensibile alla traslazione ma alla rotazione. Ciò si evince guardando il modulo.

Se si guarda la fase, la differenza si nota anche nella traslazione.

Il valore della trasformata nell’origine, cioè nel punto (u,v)=(0,0) è dato da: Come si può vedere non è altro che la media di f(x,y). Il valore della trasformata di Fourier di un’immagine f(x) nell’origine è uguale alla media dei valori di grigio contenuti nell’immagine. F(0,0) prende anche il nome di componente continua o componente DC.

Valor Medio

∑∑−

0),(1)0,0(

NF )0,0(1),( F

Nyxf =

Fast Fourier Transform

Nella sua forma classica implementare la trasformata di Fourier richiederebbe un numero di operazioni proporzionale a N2 (N moltiplicazioni complesse e N-1 addizioni per ciascuno degli N valori di u).

Utilizzando opportune tecniche di decomposizione è possibile abbassare la complessità a Nlog2N, implementando la cosiddetta Fast Fourier Trasform (FFT).

∑−

0]/2exp[)(1)(

xNuxixf

NuF π

Frequenze: Low and High

Esclusi i casi banali è normalmente impossibile fare associazioni dirette fra specifiche parti dell’immagine e la sua trasformata (perdita di localizzazione spaziale). Ricordando che la frequenza è legata alla velocità di variazione è però possibile associare le basse frequenze alle zone uniformi dell’immagine, quelle alte alle variazioni più o meno brusche e quindi ai bordi o al rumore.

Filtraggio nel Dominio della Frequenza

La funzione H(u,v) prende il nome di filtro poiché agisce su alcune frequenze della trasformata lasciando le altre immutate. Molto spesso la funzione H è una funzione reale e ciascuna sua componente moltiplica sia la corrispondente componente reale che quella immaginaria della F. Questo tipo di filtri viene detto zerophaseshift perché non introduce sfasamento.

Avviso per il primo appello vi ricordo che la data del primo esame scritto è il 12 febbraio ed è necessaria la prenotazione sul portale studenti. Chi volesse fare anche il progetto in questo primo appello, dovrà tenere bene a mente le seguenti date: 1. Entro e non oltre il 28 gennaio (cioè 15 giorni prima dell'appello), ogni studente deve proporre al prof. G. Gallo (gallo@dmi.unict.it) oppure al Prof. Stanco (fstanco@dmi.unict.it) il tema che intende sviluppare con il proprio progetto di Processing. Ogni progetto deve essere individuale. Solo in casi eccezionali da far autorizzare prima dal docente il progetto potrà essere svolto da un massimo di due studenti. Il docente darà conferma del tema rispondendo all'email. 2. Entro il 12 febbraio il progetto va consegnato via email esclusivamente all'indirizzo (fstanco@dmi.unict.it). 3. Entro il 18 febbraio il progetto sarà visionato privatamente dai docenti che provvederanno a pubblicare sul forum e su studium la lista delle persone (solo i numeri di matricola) che hanno superato tale prova e che accedono al laboratorio. 4. Il 18 febbraio c'è la prova del laboratorio. Si dovrà dimostrare di aver fatto da soli il progetto. Verrà quindi assegnato un esercizio da risolvere in poco tempo. Il laboratorio potrà essere ripetuto al successivo appello, ma due prove negative consecutive annullano il progetto presentato. Vi ricordiamo che la prova di laboratorio può essere fatta con i propri computer portatili oppure, se lo si segnala al docente contestualmente all'email in cui si consegna il progetto, usando un computer del DMI.

Avviso schede di valutazione

Quando vi prenotate per l’esame vi verrà chiesto di compilare la scheda di valutazione del corso.

Prossima prova in itinere?

Scegliamo la data

Teorema della Convoluzione

Per quale motivo si usa il dominio delle frequenze e non quello spaziale per usare gli operatori globali? Perché vale il seguente teorema: La convoluzione di due segnali nel dominio spaziale equivale all’antitrasformata del prodotto delle frequenze.

Il fondamento teorico delle tecniche di elaborazione nel dominio della frequenza, basate sulla manipolazione della DFT dell’immagine, è rappresentata dal teorema della convoluzione che fa corrispondere, alla operazione così definita nel dominio spaziale:

l’operazione, nel dominio delle frequenze:

G(u,v) = F(u, v)H(u,v)

∑ ∑−

=−−==

1 ),(),(),(*),(),(M

nMN nymxhnmfyxhyxfyxg

Quindi se l’operazione di convoluzione nel dominio spaziale è così definita:

La stessa operazione nel dominio delle frequenze diventa:

g(x,y)=F-1{F(u,v)H(u,v)}

∑ ∑−

=−−==

1 ),(),(),(*),(),(M

nMN nymxhnmfyxhyxfyxg

Complessità per un seglale 1D: Nel dominio delle frequenze O(n logn) Nel dominio spaziale O(n2)

Effettivamente vale la pena passare al dominio

delle frequenze!

Filtraggio nel Dominio della Frequenza

Se il filtro ha dimensioni confrontabili con quelle dell’immagine è più efficiente computazionalmente effettuare il filtraggio nel dominio delle frequenze.

Con maschere più piccole diviene più efficiente il calcolo nel dominio spaziale.

La definizione di un filtro nel dominio delle frequenze è più intuitiva.

Come ottenere un filtro a partire da una maschera spaziale

1. Il filtro H ha la stessa dimensione dell’immagine I;

2. H deve avere in alto a sinistra i valori della maschera spaziale, nel resto sempre il valore 0;

3. Si fa lo shift di H 4. Si calcola da H la trasformata di fourier.

Filtri low pass nel dominio della frequenza

Low pass ideale

Filtro low-pass ideale

Filtri low pass di Butterworth

La funzione di trasferimento del filtro passa-basso di Butterworth di ordine n e frequenza di taglio D0 è:

Filtro di Butterworth

Filtro low-pass di Butterworth

Filtro gaussiano

I filtri Gaussiani sono definiti da:

I filtri gaussiani hanno il grande vantaggio di avere come trasformata di Fourier ancora una gaussiana .

evuH DvuD

),(−

Filtro gaussiano

Filtro low-pass gaussiano

Filtri high pass nel dominio della frequenza

Filtro high-pass ideale

Filtro high-pass di Butterworth

Filtro high-pass gaussiano

Filtri band reject nel dominio della frequenza

Filtro band-reject ideale

Filtro band-reject di Butterworth

Filtro band-reject gaussiano

Applicazione

image enhancement nel dominio delle frequenzefstanco/lezioni_iem_2007_2008/lez 12 fourier.pdf ·...

Documents

ourierreihf en -...

theoretical aspects of fourier transform spectrometry and...

trigonometric fourier series - university of north...

transformarea fourier -...

trasformata di fourier - dipartimento di...

la transformada de fourier: propiedades y...

trasformata di fourier -...

fourier series, fourier integral and discrete fourier...

chapter 8 fourier...

référenceshelios.mi.parisdescartes.fr/~aleclair/agreg/fourier.pdf ·...

23. restauracion imagenes trans. fourier.pdf

fourier-analysis und der algorithmus des 20....

bab-5_konvolusi dan transformasi fourier.pdf

08 seires fourier.pdf mm

la transformada de fourier: propiedades y...

fourier analysis - nikhefhenkjan/numrec/fourier.pdf ·...

fourier...

fourier -...

trigonometric fourier...

set-class similarity, voice leading, and the fourier...